PRONÓSTICO DE LA POBLACIÓN OCUPADA
EN EL ESTADO DE VERACRUZ MEDIANTE
SERIES DE TIEMPO: ENERO 2023 - JUNIO 2024
FORECAST OF THE EMPLOYED POPULATION IN
THE STATE OF VERACRUZ THROUGH TIME SERIES:
JANUARY 2023 - JUNE 2024
Nora Guadalupe Sánchez Montero
Universidad Veracruzana, México
José Alberto Arellano Hernández
Universidad Veracruzana, México
pág. 3879
DOI: https://doi.org/10.37811/cl_rcm.v8i2.10809
Pronóstico de la Población Ocupada en el Estado de Veracruz Mediante
Series de Tiempo: Enero 2023 - Junio 2024
Nora Guadalupe Sánchez Montero1
norasanchez@uv.mx
https://orcid.org/0009-0001-7446-3804
Universidad Veracruzana
México
José Alberto Arellano Hernández
arellanohdz19@gmail.com
https://orcid.org/0009-0002-7119-4677
Universidad Veracruzana
México
RESUMEN
El trabajo que se realizo fue un trabajo colaborativo entre la Universidad Veracruzana y el Gobierno
del Estado donde se demostró las buenas prácticas entre Universidad y sector público y así mejorar la
alfabetización estadística y la toma de decisiones y su perspectiva fue el analizar y pronosticar la
población ocupada, desocupada, subocupada y pérdida de empleo en el Estado de Veracruz de Ignacio
de la llave a través de modelos ARIMA identificando el comportamiento del tiempo con datos de la
encuesta Nacional de Ocupación y Empleo ENOE. Utilizando el enfoque de series de tiempo, que
permitió analizar las tendencias históricas y pronosticar la población ocupada para los siguientes 6
trimestres de 2023 y 2024. En el trabajo se consideran variables como la población ocupada,
desocupada, Subocupada y la pérdida de empleo, lo que permitió entender y pronosticar las
tendencias del mercado laboral en el Estado. Además, se realizó una revisión de la literatura existente
sobre el mercado laboral en Veracruz de Ignacio de la Llave, lo que permitió contextualizar los
resultados obtenidos. Se estimaron posibles modelos ARIMA utilizando la metodología de Box y
Jenkings según los valores obtenidos y se sugirió considerar factores externos que pueden influir en
los indicadores laborales, como cambios económicos, políticas gubernamentales y avances
tecnológicos, al realizar futuros pronósticos; por lo que los resultados obtenidos sugieren que en el
Estado de Veracruz experimentara mejoras en comparación con la contingencia sanitaria del 2020. No
obstante se recomienda considerar factores externos que pueden influir en los indicadores laborales,
como cambios económicos, políticas gubernamentales y avances tecnológicos, al realizar futuros
pronósticos. También se recomendó la implementación de programas de capacitación y reconversión
laboral para mitigar los efectos del desempleo y se sugirió continuar analizando a fondo el mercado
laboral en el Estado de Veracruz de Ignacio de la Llave.
Palabras claves: pronósticos, situación laboral, Veracruz, series de tiempo, población
1
Autor principal
Correspondencia: norasanchez@uv.mx
pág. 3880
Forecast of the Employed Population in the State of Veracruz Through
Time Series: January 2023 - June 2024
ABSTRACT
The work that was carried out was a collaborative work between the University of Veracruzana and
the State Government where good practices between the University and the public sector were
demonstrated and thus improved statistical literacy and decision making and its perspective was to
analyze and forecast the population. occupied, unemployed, underemployed and loss of employment
in the State of Veracruz de Ignacio de la Llave through ARIMA models identifying the behavior of
time with data from the National Occupation and Employment Survey ENOE. Using the time series
approach, which allowed historical trends to be analyzed and the employed population to be forecast
for the next 6 quarters of 2023 and 2024. In the work, variables such as the employed, unemployed,
underemployed population and job loss are considered, which which allowed us to understand and
forecast labor market trends in the State. In addition, a review of the existing literature on the labor
market in Veracruz de Ignacio de la Llave was carried out, which allowed the results obtained to be
contextualized. Possible ARIMA models were estimated using the Box and Jenkings methodology
according to the values obtained and it was suggested to consider external factors that may influence
labor indicators, such as economic changes, government policies and technological advances, when
making future forecasts; Therefore, the results obtained suggest that the State of Veracruz will
experience improvements compared to the health contingency of 2020. However, it is recommended
to consider external factors that may influence labor indicators, such as economic changes,
government policies and technological advances, when make future forecasts. The implementation of
training and job retraining programs was also recommended to mitigate the effects of unemployment
and it was suggested to continue analyzing in depth the labor market in the State of Veracruz de
Ignacio de la Llave.
Keywords: forecasts, employment situation, Veracruz, time series, population
Artículo recibido 06 marzo 2024
Aceptado para publicación: 09 abril 2024
pág. 3881
INTRODUCCIÓN
Se analizan variables como la población ocupada, desocupada, Subocupada y la pérdida de empleo en
el estado de Veracruz. Estas variables permiten identificar la cantidad de personas que se encuentran
trabajando, las que están en búsqueda de empleo, aquellas que trabajan menos horas de las deseadas y
aquellas que han sufrido una pérdida de empleo en un periodo determinado. Contribuyendo al estudio
de la situación laboral en el estado de Veracruz, se aplicó la herramienta estadística de series de
tiempo, que es altamente efectiva para el análisis de datos históricos y la identificación de patrones,
tendencias y estacionalidades de diversas variables. Mediante la recopilación de información histórica
y la aplicación de modelos estadísticos, se busca comprender las fluctuaciones y cambios en las
variables de interés y por lo tanto en el mercado laboral, así como predecir y pronosticar su
comportamiento futuro. En las fuentes del Centro Estatal de Información Estadística y Geográfica del
Gobierno del Estado de Veracruz no existen estudios que pronostiquen el desarrollo de estas
variables. Con la generación de modelos ARIMA para cada una de las variables y su proyección con
sus series de tiempo se obtuvieron los resultados que determinan el comportamiento futuro de cada
variable.
Teoría
La Encuesta Nacional de Ocupación y Empleo (ENOE) es una encuesta realizada en México por el
Instituto Nacional de Estadística y Geografía (INEGI) para obtener información sobre el mercado
laboral del país. La ENOE proporciona datos sobre la población ocupada, desocupada y con pérdida
de empleo. La ENOE se lleva a cabo a través de una muestra representativa de hogares seleccionados
de manera aleatoria en todo el territorio mexicano. La encuesta recopila información sobre el empleo,
el desempleo, la ocupación, el subempleo, los ingresos laborales y otras variables relacionadas. Estos
resultados permiten analizar la evolución del mercado laboral a lo largo del tiempo y realizar
comparaciones entre distintos períodos para cada una de las entidades del país.
Un modelo autorregresivo AR describe una clase particular de proceso en que las observaciones en un
momento dado son predecibles a partir de las observaciones previas del proceso más un término de
error. Un modelo de medias móviles MA describe una serie temporal estacionaria, en el que el valor
actual de una variable puede predecirse a partir de su valor aleatorio de este momento y, en menor
pág. 3882
medida, de los valores aleatorios anteriores. Un modelo ARIMA (p, d, q) permite describir una serie
de observaciones después de que hayan sido diferenciadas extrayendo fuentes de no estacionariedad.
Las series de tiempo son un conjunto de observaciones, recolectadas durante periodos específicos. Por
medio de ellas, es posible identificar el comportamiento, que suele parecer aleatorio, de la variable de
interés. Análisis que no es posible realizar a través de métodos estadísticos convencionales.
METODOLOGÍA
El presente estudio se llevó a cabo para el Estado de Veracruz. Es un análisis descriptivo para poder
entender el comportamiento de las variables de interés (población ocupada, desocupada, subocupada y
pérdida de empleo), es longitudinal debido a que las variables se registraron en periodos de tiempo (de
2005 a 2022). Los modelos obtenidos fueron seleccionados conforme a cada comportamiento de las
series. Las variables se organizaron como se muestra en la tabla 1.
Tabla 1. Variables seleccionadas
El análisis se realizó utilizando en el software estadístico Rstudio, el primer paso consistió en obtener
las bases de datos de las variables establecidas, posteriormente se capturaron en el software estadístico
R a fin de verificar si hay valores atípicos o datos extremos que puedan afectar en los resultados,
luego se realizó el análisis descriptivo con la finalidad de establecer el comportamiento a lo largo del
tiempo y determinar alguna tendencia; por su parte mediante el análisis de estacionariedad se buscó
observar si la serie es estacionaria o no ya que si la serie no resultaba estacionaria, sería necesario
transformarla o diferenciarla para encontrar estacionariedad y autocorrelación , todo lo anterior fue
utilizado para realizar algunas representaciones de cada de las variables analizadas mediante el
software Rstudio.
Con esta indagación preliminar se obtuvieron las gráficas mostradas en los resultados del análisis
preliminar y con base en ello se procedió al análisis definitivo. Identificado el modelo ARIMA
pág. 3883
apropiado para la serie temporal, se ajustó el modelo seleccionado para analizarlo utilizando el criterio
de información de Akaike (AIC), que permite determinar el mejor y más adecuado ajuste para los
datos. Se estimaron los parámetros del modelo seleccionado con el método de máxima verosimilitud y
mínimos cuadrados. Se verificaron los supuestos del modelo seleccionado (normalidad de los
residuos, ausencia de autocorrelación en los residuos y homocedasticidad). Para evaluar estos
supuestos, se realizaron pruebas estadísticas y se generaron gráficos como la prueba de Shapiro-Wilk
para evaluar si los residuos del modelo siguen una distribución normal, la prueba de Ljung-Box o
Durbin-Watson para evaluar la autocorrelación en los residuos que esto también se puede visualizar
en los gráficos de autocorrelación (ACF) y autocorrelación parcial (PACF) y por último la prueba de
White que busca detectar la presencia de patrones sistemáticos en la varianza de los residuos.
Posteriormente, se utilizó el modelo seleccionado para realizar pronósticos futuros de la serie
temporal. Se evaluaron las precisiones de los pronósticos con la estadística de Ljung-Box la cual se
utiliza para probar la hipótesis nula de que no hay autocorrelación en los residuos del modelos, esto
significa que los valores p asociados con esta prueba indican la probabilidad de obtener una
estadística de prueba igual o más extrema que la observada, así mismo indica que si los puntos del
grafico obtenido tienen valores por encima de un nivel de significancia (0.05), lo que indica que el
modelo ARIMA seleccionado captura adecuadamente la estructura de dependencia temporal de los
datos.
RESULTADOS
Se realizó un análisis exploratorio para describir las características principales de los datos y entender
su comportamiento. Se aplico la prueba de Dickey-Fuller para evaluar la estacionariedad de cada
serie. Se plantea la hipótesis nula (H0) como que la serie no es estacionaria y tiene raíz unitaria, y
como hipótesis alternativa (H1) se sostiene que la serie es estacionaria y no tiene raíz unitaria. En la
gráfica de la figura 1 se muestra el resultado de la tendencia de la población ocupada en el estado de
Veracruz de 2005-2022.
pág. 3884
Población Ocupada
Figura 1. Tendencia de población ocupada
Observándose una tendencia general con crecimiento constante con fluctuaciones estacionales, y una
tendencia positiva podría continuar en años siguientes, y la prueba de estacionariedad con un p-valor
de 0.4594, por lo que no se rechaza la hipótesis nula, y se determina que la serie no es estacionaria. Se
procedió a estimar modelos ARIMA para las variables de población ocupada, desocupada,
subocupada y pérdida de empleo en el Estado de Veracruz, en el período de 2005 a 2022, y en la
figura 2 se presentan las proyecciones en la serie de tiempo de la población ocupada para 2023 y
2024, divididas por trimestres.
Figura 2. Proyección de población ocupada
pág. 3885
De la misma forma para la variable de población ocupada, en la tabla 2 se presenta una serie de
tiempo histórica de la población ocupada total en el estado de Veracruz de 2005 a 2022, junto con una
proyección futura utilizando un modelo ARIMA (1,1,1).
El AIC, una medida estadística para seleccionar el mejor modelo es 1785.77. La línea azul muestra los
datos reales, y la línea azul claro representa la proyección para los próximos 2 años. La proyección
sugiere que la tendencia actual se mantendrá constante, con valores pronosticados de 3,301,252 y
3,308,610 para los próximos 2 años.
Tabla 2. Pronóstico de población ocupada en el Estado de Veracruz, 2023-2024
La Tabla 2 presenta pronósticos puntuales e intervalos de confianza para la población ocupada en
diferentes trimestres del año 2023. Para el primer trimestre, se pronostica un valor de 90,369.36, con
límites del 80% de confianza entre 71,830.39 y 108,908.3, y límites del 95% de confianza entre
62,016.45 y 118,722.3.
El segundo trimestre muestra un pronóstico de 98,703.75, con intervalos de confianza similares. Estos
intervalos proporcionan un rango donde se espera que los valores reales estén con un 80% o 95% de
confianza. La columna "Real" muestra los valores observados, utilizados para evaluar la precisión del
modelo, que se encuentra dentro de los intervalos de confianza.
pág. 3886
Población desocupada
Figura 3. Tendencia de población desocupada
La Figura 3 muestra una serie de tiempo de la población desocupada de 2005 a 2022. Se observa un
crecimiento constante hasta 2011, seguido de una disminución significativa hasta 2013 y una
tendencia decreciente hasta 2020. En 2022, se nota un crecimiento y una disminución adicional. La
prueba de estacionariedad inicial no fue significativa, pero después de aplicar una diferencia, se logró
la estacionariedad (p-valor 0.01). Esto sugiere que la serie, inicialmente no estacionaria, se volvió
estacionaria después de la diferenciación.
Figura 4. Proyección de población
La Figura 4 muestra la historia del desempleo en Veracruz hasta 2022, con una proyección de dos
años basada en un modelo ARIMA (4,1,3). La línea azul claro sugiere que la población desempleada
pág. 3887
se mantendrá constante alrededor de 3,301,252 y 3,308,610, según la tendencia histórica del modelo.
En resumen, la proyección indica estabilidad en los niveles de desempleo en Veracruz para los
próximos 2 años.
Tabla 3. Pronóstico de población desocupada en el Estado de Veracruz, 2023-2024
La Tabla 3 presenta pronósticos para diferentes trimestres de 2023, siendo 90,369.36 el pronóstico
para el primer trimestre y 98,703.75 para el segundo. Se proporcionan límites de confianza del 80% y
95%, indicando la variabilidad esperada en los valores reales con 80% y 95% de confianza,
respectivamente. Por ejemplo, para el primer trimestre de 2023, se espera que los valores reales estén
entre 71,830.39 y 108,908.3 con un 80% de confianza, y entre 62,016.45 y 118,722.3 con un 95% de
confianza. La columna "Real" compara estos pronósticos con los valores reales observados, evaluando
la precisión del modelo.
Población Subocupada
Figura 5. Tendencia de población Subocupada
pág. 3888
La Figura 3 muestra la evolución trimestral de la población Subocupada en Veracruz de 2005 a 2022.
Se observan patrones constantes hasta 2019, con una ligera tendencia positiva. En 2020, se registra un
aumento significativo posiblemente debido a la contingencia sanitaria, seguido por un declive
posterior. Se sugiere que los valores pronosticados se asemejarán a los anteriores a la contingencia.
La prueba de estacionariedad inicial arroja un p-valor de 0.478, no rechazando la hipótesis nula de no
estacionariedad. Para lograr estacionariedad, se aplica una diferencia, resultando en un p-valor de
0.01, indicando estacionariedad. En resumen, la serie se vuelve estacionaria después de aplicar la
diferenciación.
Tabla 4. Pronóstico de población Subocupada en el Estado de Veracruz, 2023-2024
La Tabla 4 presenta pronósticos para la población subocupada en Veracruz, indicando que se espera
que alcance 301,376.1 en el primer trimestre de 2023, con un ligero cambio hasta alcanzar 302,313.1
en el último trimestre de 2023. Los límites del 80% y 95% de confianza ofrecen rangos donde se
espera que los valores reales estén con un 80% y 95% de certeza, respectivamente. Por ejemplo, para
el primer trimestre de 2023, se estima que la población subocupada estará entre 213,090.7 y 389,661.6
con un 80% de confianza, y entre 166,355.17 y 436,397.1 con un 95% de confianza.
Aunque la columna "Real" no incluye valores reales para períodos pasados, la tabla proporciona
estimaciones puntuales y la variabilidad esperada, permitiendo evaluar la precisión del pronóstico
para entender la dinámica de la población subocupada en Veracruz.
pág. 3889
Figura 6. Proyección de población Subocupada
La Figura 6 muestra la serie histórica de la población subocupada en Veracruz hasta 2022, con una
proyección futura basada en un modelo ARIMA (4,1,3). La línea azul refleja los datos reales, y la
línea azul claro proyecta valores estables alrededor de 301,376.1 para el primer trimestre de 2023. Se
anticipa un ligero cambio en los valores pronosticados, alcanzando los 310,642.3 en el segundo
trimestre de 2024.
Población con Pérdida de Empleo
Figura 5. Tendencia de población con pérdida de empleo
La Figura 5 muestra la evolución trimestral de la población con pérdida de empleo en Veracruz de
2005 a 2022. Se observa una tendencia positiva hasta 2014, con un pico en 2010. Entre 2010 y 2019,
se registra una tendencia negativa, considerada favorable para el estado, indicando un buen nivel de
empleo y desarrollo económico. En 2020, debido a la contingencia sanitaria, se obtienen valores
pág. 3890
elevados superando los de 2009, seguidos por una significativa disminución en 2022, alcanzando
niveles similares a 2019.
La prueba de estacionariedad inicial no rechaza la hipótesis nula, indicando no estacionariedad con un
p-valor de 0.3528. Al aplicar una diferencia, el p-valor disminuye a 0.01, indicando estacionariedad.
En resumen, la serie se vuelve estacionaria después de la diferenciación.
Tabla 5. Pronóstico de población con pérdida de empleo en el Estado de Veracruz, 2023-2024
La Tabla 6 ofrece pronósticos para la población con pérdida de empleo en Veracruz, con intervalos de
confianza del 80% y 95%. Por ejemplo, se estima que para el primer trimestre de 2023 el valor
pronosticado será aproximadamente 36,920.75, y el intervalo de confianza del 80% va desde
22,674.54 hasta 51,166.95, incluyendo el valor real observado.
La columna "Real" muestra valores reales anteriores, permitiendo la comparación con los pronósticos
para evaluar la precisión del modelo.
Figura 6. Proyección de población con pérdida de empleo
pág. 3891
La Figura 6 muestra la serie histórica de pérdida de empleo en Veracruz de 2005 a 2022, con una
proyección futura basada en el modelo ARIMA (2,1,3). El modelo, elegido por su ajuste a los datos
según el AIC (1539.12), indica una tendencia constante alrededor de 36,920.75 para el primer
trimestre de 2023. En los trimestres siguientes, se pronostica un ligero descenso, llegando a 31,321.78
en el segundo trimestre de 2024.
CONCLUSIONES
A través de la implementación de técnicas estadísticas descriptivas y la visualización de datos, se han
obtenido patrones notorios en particular, se observa el que corresponde a un patrón de crecimiento
constante en la variable de población ocupada, en contraste con una tendencia decreciente en las
variables de población subocupada, desocupada y pérdida de empleo. Estos hallazgos permiten
comprender las tendencias cambiantes en el mercado laboral, y constituyen una base sólida para
evaluar el estado actual y anticipar las perspectivas futuras de la región ante la posibilidad de un
mayor número de personas ocupadas Con respecto al segundo objetivo específico planteado, relativo
a la estimación de posibles modelos ARIMA según los valores obtenidos, se tiene por cumplido ya
que la implementación de dichos modelos permitió la obtención de estimaciones precisas para los
patrones de comportamiento de las variables de interés pare el Estado de Veracruz de Ignacio de la
Llave. Dicha construcción se basó en un proceso que abarcó desde el análisis de las funciones de
autocorrelación y autocorrelación parcial de las series, hasta la realización de diferenciaciones para
lograr la estacionariedad necesaria. Este proceso también implicó la comparación del Criterio de
Información de Akaike (AIC) para los diferentes modelos considerados. Todo ello contribuyó a la
selección de los modelos óptimos luego de una meticulosa evaluación de los valores de AIC,
priorizando aquellos que presentaban los valores más bajos. Estos pasos garantizaron la identificación
de modelos que no solo capturan con precisión los patrones de las variables en estudio, sino que
también se ajustan de manera adecuada a los datos observados siendo óptimos. Los resultados
derivados de la aplicación de modelos ARIMA facilitaron la proyección de diversos escenarios dentro
del ámbito laboral, lo que permitió dar cumplimiento al tercer objetivo específico de este reporte. Así,
el pronóstico generado para la variable de población ocupada ha predominado en su mayoría por
valores constantes. Por otro lado, en el caso de las variables relacionadas con población subocupada,
pág. 3892
desocupada y pérdida de empleo,se puede observar una tendencia decreciente en los pronósticos
obtenidos. En suma y considerando el objetivo general de esta investigación se tiene que, al examinar
detenidamente los resultados, se revelan aspectos mixtos en relación con la precisión de los modelos.
Mientras que la predicción de la población desocupada se ajusta 33 adecuadamente a las tendencias
pasadas y presenta una disminución prevista, el pronóstico de la población ocupada mantiene valores
constantes que podrían no reflejar la realidad actual. Esto subraya la importancia de una constante
revisión y actualización de los modelos para garantizar que los pronósticos sean representativos de los
datos emergentes. En cuanto a la población subocupada se tienen que presentan pronósticos
relativamente constantes, aunque con una tendencia ligeramente positiva. En línea con lo anterior se
observa que el valor que ya se encuentra disponible en la página del INEGI para el primer trimestre de
2023 se encuentra dentro de los intervalos de confianza del 80%, respaldando la solidez del modelo.
Por otro lado, la variable de pérdida de empleo muestra resultados prometedores, indicando una
tendencia negativa y reflejando la caída en los valores observada en datos pasados. La coincidencia
entre los valores pronosticados y los intervalos de confianza respalda la validez de este modelo. En
conjunto, estos resultados sugieren que el Estado de Veracruz Ignacio de la Llave experimentará
mejoras en comparación con la contingencia sanitaria del 2020. No obstante, se recomienda
considerar factores externos que pueden influir en los indicadores laborales, como cambios
económicos, políticas gubernamentales y avances tecnológicos, al realizar futuros pronósticos.
Además, del impacto que podría tener la implementación de programas de capacitación y
reconversión laboral podría ayudar a mitigar los efectos del desempleo. En vista de los resultados
obtenidos, se sugiere continuar analizando a fondo el mercado laboral en el Estado de Veracruz de
Ignacio de la Llave, considerando factores socioeconómicos y externos que podrían influir en los
resultados. Estos análisis podrían profundizar y correlacionar otras variables a fin de mejorar la
precisión de los pronósticos y proporcionar mayores elementos para la toma de decisiones en la
formulación de políticas públicas que contribuyan a una mejora sustantiva del número y de la calidad
de vida de la población ocupada.
pág. 3893
REFERENCIAS BIBLIOGRAFICAS
Acosta Silva, S., & Paredes Cruz, I. (2022). Prevención y tratamiento de la litiasis renal: Medidas
dietéticas y farmacológicas. Revista Científica De Salud Y Desarrollo Humano, 3(1), 148–
170. https://doi.org/10.61368/r.s.d.h.v3i1.50
Balcazar. (2020). Pronóstico de la tasa de desempleo para personas con educación media superior y
superior en méxico para 2018 utilizando simulación [tesis para licenciatura]. (“pronóstico de
la tasa de desempleo para personas con educación media...”) Universidad Autónoma del
Estado de México.
Chavarría Oviedo, F., & Avalos Charpentier, K. (2022). Material Designing for English Language
Learners With ASD, Visual Impairments and Muteness. Sapiencia Revista Científica Y
Académica , 2(2), 71–91. Recuperado a partir de
https://revistasapiencia.org/index.php/Sapiencia/article/view/23
European Commission. (2023). Ethical Guidelines on the Use of Artificial Intelligence (AI) and Data
in Teaching and Learning for Educators. Available
online: https://op.europa.eu/en/publication-detail/-/publication/d81a0d54-5348-11ed-92ed-
01aa75ed71a1/language-en
González, L. (2023). Evaluación de la Conexión entre la Administración Educativa Participativa y la
Excelencia en la Enseñanza en Instituciones Públicas de América Latina. Emergentes -
Revista Científica, 3(1), 132–150. https://doi.org/10.60112/erc.v3i1.25
INEGI (2021a). Encuesta Nacional de Ocupación y Empleo (ENOE). Obtenido de
https://www.snieg.mx/DocAcervoINN/documentacion/inf_nvo_acervo/SNIDS/ENOE/present
acion.pdf
INEGI (2021b). Glosario. Obtenido de
https://www.inegi.org.mx/app/glosario/default.html?p=ENOE15
Marce vázquez. (2012). Aplicación de los modelos ARIMA a la elaboración de pronósticos de la
desocupación femenina en méxico 2000-2012 [Tesis de maestría]. (“Aplicación de los
modelos ARIMA a la elaboración de pronósticos de la ...”) Universidad Nacional Autónoma
de México.
pág. 3894
Mendoza Cota, J. E. (2020). “COVID-19 y el empleo en México: impacto inicial y pronósticos de
corto plazo” en Contaduría y administración, 65 (4), 1-18.
Pallavicini, A. F., & Villalobos, H. (2013). Modelos Arma y método Box & Jenkins.1-12, URL:
https://www.researchgate.net/profile/AldoFournies/publication/274961095_Modelos_ARMA
_y_Box_and_Jenkins/links/552d953e0cf29b22c9c4f7a0/Modelos-ARMA-y-Box-and-
Jenkins.pdf
Pintos, M. M. (2022). La responsabilidad social de los abogados. Estudios Y Perspectivas Revista
Científica Y Académica , 2(2), 92–114. https://doi.org/10.61384/r.c.a.v2i2.23
Saavedra, J. P. H., & Díaz, G. A. H. (2002). Metodología de un Modelo ARIMA condicionado para el
pronóstico del PIB. República de Colombia, Departamento Nacional de Planeación, Dirección
de Estudios Educativos.
Box, G. E. P.; Jenkins, G. M.; Reinsel G. C. and Ljung, G. M. (2016) Time Series Analisys:
Forecasting and Control, Fifth edition. Wiley
Brockwell, P.J. and Davis, R. (2002) Introduction to Time Series Forecasting, 2 ed. Springer: New
York.
Hanke, J.E. y Reitsch, A.G. (2014) Pronósticos en los negocios. Prentice Hall. Quinta edición.
Tsay, R.S. (2014) Multivariate Time Series Analysis With R and Financial Applications. John
&Wiley Sons, Inc. Wiley Series in Probability and Statistics.
Holton, W.J. and Keating, B. (1994) Business Forecasting. 2 ed. IRWIN.
Li, Qi; Racine, Jeffrey S. (2007) Nonparametric Econometrics: Theory and Practice. Princenton
University Press.
Peña, D. (2010) Análisis de Series Temporales. 2 ed. Alianza Editores.
Cryer, J. D. and K.-S. Chan (2008): Time Series Analysis with Applications in R,
New York: Springer Science + Business Media LLC.
